把具身智能文献，变成可检索、可审计、可引用、可复用的研究基础设施。
Embodied AI Evidence Hub 是一个证据优先的具身智能研究知识库。它围绕 VLA、世界模型、4D 时空推理、多模态感知、机器人数据与闭环评测，把检索、全文精读、主张审计、综述写作和知识路由连接成可追溯的研究流程。
Embodied AI Evidence Hub is an evidence-first research hub for embodied AI and robot learning. It turns literature discovery, full-text reading, claim audits, review writing, and agent-ready knowledge routing into one traceable workflow.
这不是论文链接收藏夹，也不是自动摘要合集。每条进入正式证据层的主张都应能回到论文全文、结构化 paper note、claim-support audit 和明确的适用边界。
如果这个项目帮你少走一轮检索、少踩一个论证坑，欢迎 Star 本仓库。你的 Star 会帮助更多研究者发现这套开放研究基础设施。
以下数字来自当前 文献综述成果目录 与已结算证据层：
| 当前成果 | 规模 |
|---|---|
| 文献综述专题 | 38 项 |
| 基础综述 | 22 项 |
| 跨 run 综合 | 14 项 |
| 引文图派生综述 | 2 项 |
| 不重复精读论文 | 223 篇 |
| 正式证据事件 | 371 条 |
| 可复用 AI 研究技能 | 7 个 |
候选论文、搜索命中和复用证据不重复计入这些核心数字。覆盖规模不等于结论强度，最终判断仍以正文中的任务范围、证据质量与失败边界为准。
每个专题都有永久 canonical 地址。静态页无需 JavaScript，即可阅读知乎解释版完整正文、论文引用、证据规模和完整证据附录。
- 世界模型评测边界 — 世界模型何时能参与闭环评测，何时不能充当真值源
- 世界模型需要什么样的训练数据 — 从视频预测走向动作干预与可执行状态
- VLA 的语言、视觉与动作对齐 — 稀疏语言、稠密视觉与连续动作的粒度错配
- 4D 时空推理的数据要求 — 动态世界状态、对应关系与动作后果
- 触觉世界模型 — 接触状态如何补足纯视觉不可观测信息
- 具身智能数据质量 — 数据质量为何必须相对于目标任务定义
- Ego–Exo 相机标定与视角对齐 — 几何注册与表征迁移的不同边界
- Loco-Manipulation 研究进展 — 移动与操作耦合下的系统进展
- 完整全文优先：摘要和搜索片段不能单独进入正式证据；扫描型、无法可靠解析的论文不进入接受证据。
- 逐篇主张审计：paper note 记录论文问题、方法、实验和限制；claim-support audit 检查综合主张是否被原文支持。
- 结论携带边界：任务、数据、平台、评测方法或时间窗口不同，结论不能直接外推。
- 一份证据，三种表达：科研备忘录、知乎解释版与小红书版共享证据层，但分别按读者目标组织表达。
- 为 Agent 分层加载：主索引、主题卡、review packet 和论文笔记构成从低预算到高预算的上下文路径。
- 版本可追溯：正式成果按 run 追加保存；Wiki 使用不可变快照和原子指针发布，可验证并可回滚。
flowchart LR
Q["研究问题"] --> S["多轮检索与候选池"]
S --> F["完整非 OCR 全文"]
F --> N["Paper Note"]
N --> A["Claim-Support Audit"]
A --> E["Accepted Evidence"]
E --> R["科研 / 知乎 / 小红书"]
E --> K["主题卡 / 知识图谱"]
三条底线贯穿整个流程：Candidate 不等于 Evidence；结论必须说明边界；读者文章必须能够回到 evidence event、paper note、审计记录和论文原文。
静态专题目录 为当前专题提供永久地址。页面包含双语标题、30 秒结论、证据统计、默认成稿、去重论文引用、完整证据附录和结构化元数据。
交互 Wiki 保留全文搜索、三版本切换、证据抽屉、原子快照与知识图谱。静态页与 Wiki 指向同一份已验证证据快照，不维护两套研究内容。
git clone https://github.com/yuanzh0u/embodied-learning.git
cd embodied-learning
python3 scripts/serve_research_wiki.py --openmacOS 用户也可以双击根目录的 打开具身智能研究Wiki.command。
完整历史克隆：退役原始材料只保留在 git 历史中（
git show <ref>:<file>）。贡献者若要跑scripts/check_kb_links.py/scripts/validate_current_reviews.py，需要完整历史，不要用git clone --depth 1。若已经是浅克隆，执行git fetch --unshallow（或适当git fetch --deepen）后再验证。
与 CI（research-validation.yml）对齐的一键回归：
make test仅跑知识层 tests/，或跑当前 catalog 路由的综述校验：
make test-knowledge
make validatepython3 scripts/build_research_wiki.py --output /tmp/wiki-data
python3 scripts/build_research_site.py \
--snapshot-root /tmp/wiki-data \
--wiki-root wiki \
--output /tmp/wiki-site \
--base-url https://yuanzh0u.github.io/embodied-learning生产构建会验证全部发布 slug、快照 schema、证据事件计数、页面 metadata、JSON-LD、内部链接、Sitemap 和 robots 策略。缺少发布配置、失效相对链接或证据计数不一致都会直接失败。
让支持 AGENTS.md 的智能体从 knowledge/index.md 开始，只加载与问题匹配的主题卡。
先读取 knowledge/index.md。
围绕“世界模型怎样进入机器人闭环评测”选择相关主题卡，
再从 literature-review-catalog.md 定位当前 review packet；
每条综合判断都保留证据入口，并明确哪些内容属于推断。
| 技能 | 作用 |
|---|---|
embodied-ai-literature-review |
编排从研究问题到综述交付的完整流程 |
embodied-ai-query-planner |
把主题拆成覆盖驱动的检索计划 |
embodied-ai-literature-hub |
扩展候选池并恢复可审计全文 |
embodied-ai-paper-reader |
精读论文，生成 paper note 与证据事件 |
embodied-ai-review-writer |
从 accepted evidence 生成不同文体 |
embodied-ai-influence-ranking |
沿引文图评估后续影响力 |
embodied-ai-problem-relevance-ranking |
在引文图候选中检索问题相关论文 |
embodied-learning/
├── knowledge/ # 主索引、主题卡、术语与综述路由
├── evidence/ # 论文笔记、审计记录、证据事件与正式成稿
├── skills/ # 7 个可复用 AI 研究技能
├── scripts/ # 构建、验证、审计与知识图谱工具
├── wiki/ # Wiki 模板、发布配置与前端资产
├── tests/ # 快照、渲染、链接与 SEO/GEO 回归测试
└── docs/ # 架构决策与设计文档
evidence/ 是论文级证据与正式综述的 source of truth；knowledge/ 是面向人和 Agent 的压缩工作记忆；候选池与中间产物进入 gitignored 的 work/。
引用整个知识库时，请使用仓库根目录的 CITATION.cff。GitHub 页面中的 “Cite this repository” 可以据此生成引用格式。
引用某个研究判断时，优先引用对应静态专题的 canonical 地址，并保留访问日期。学术论证仍应同时引用专题页列出的原始论文；本知识库的综合判断不能替代原论文。
建议格式：
Embodied AI Evidence Hub. “专题中文标题 / English Title.”
具身智能证据知识库，访问日期 YYYY-MM-DD，canonical URL。
.github/、scripts/、skills/、tests/与wiki/中的代码采用 MIT License。knowledge/、evidence/、docs/、项目上下文和 README 中的研究内容采用 CC BY-NC-SA 4.0。- 论文标题、摘要片段、引用信息及链接仍受原作者与出版方权利约束，不因进入本仓库而改变版权归属。
目录级适用范围、混合文件和第三方材料边界见 LICENSES.md。
欢迎通过 Issues 提交值得系统梳理的研究问题、证据缺口、边界遗漏、失效链接、新论文线索或研究工具改进建议。
提交证据时，请同时说明论文、原文位置、支持的主张和适用边界。新增材料应遵循 素材入库规范。
本项目使用 AI 辅助检索、精读、审计与写作，但不把模型输出直接当作论文证据。论文版权归原作者所有；仓库中的综合判断应结合具体任务边界使用。
研究不是把论文堆得更高，而是让每个判断都能回到证据。